机器学习-(1):监督学习
2017-06-08 17:51
239 查看
监督学习
在监督学习中,我们获得了一个数据集,并且已经知道我们正确的输出应该是什么样子的,这意味着输入和输出之间有一个关系。
受监督的学习问题分为“回归”和“分类”问题。在回归问题中,我们试图在连续输出中预测结果,这意味着我们正在尝试将输入变量映射到一些连续函数。在分类问题中,我们试图用离散输出来预测结果。换句话说,我们正在尝试将输入变量映射到离散类别。
示例1:
根据房地产市场规模的数据,尝试预测房价。价格作为大小的函数是连续的输出,所以这是一个回归问题。
我们可以将这个例子变成一个分类问题,而不是让我们的产出是关于房子“卖出多于或者低于要价”。在这里,我们将房价分为两类。
示例2:
(a)回归 - 鉴于一个人的照片,我们必须根据给定的图片来预测他们的年龄
(b)分类 - 鉴于肿瘤患者,我们必须预测肿瘤是恶性还是良性。
在监督学习中,我们获得了一个数据集,并且已经知道我们正确的输出应该是什么样子的,这意味着输入和输出之间有一个关系。
受监督的学习问题分为“回归”和“分类”问题。在回归问题中,我们试图在连续输出中预测结果,这意味着我们正在尝试将输入变量映射到一些连续函数。在分类问题中,我们试图用离散输出来预测结果。换句话说,我们正在尝试将输入变量映射到离散类别。
示例1:
根据房地产市场规模的数据,尝试预测房价。价格作为大小的函数是连续的输出,所以这是一个回归问题。
我们可以将这个例子变成一个分类问题,而不是让我们的产出是关于房子“卖出多于或者低于要价”。在这里,我们将房价分为两类。
示例2:
(a)回归 - 鉴于一个人的照片,我们必须根据给定的图片来预测他们的年龄
(b)分类 - 鉴于肿瘤患者,我们必须预测肿瘤是恶性还是良性。
相关文章推荐
- 【机器学习-斯坦福】学习笔记2 - 监督学习应用与梯度下降
- Stanford 机器学习 第一讲-------监督学习,无监督学习和半监督学习
- 斯坦福大学公开课 :机器学习课程(Andrew Ng)——12、无监督学习:Factor Analysis
- 机器学习-斯坦福:学习笔记2-监督学习应用与梯度下降
- 机器学习中的有监督学习,无监督学习,半监督学习
- 机器学习——监督学习,半监督学习,无监督学习,主动学习
- 机器学习--有监督学习和无监督学习
- 斯坦福大学公开课 :机器学习课程(Andrew Ng)——10、无监督学习:Mixture of Gaussians and the EM Algorithm
- 斯坦福大学公开课 :机器学习课程(Andrew Ng)——9、无监督学习:K-means Clustering Algorithm
- 机器学习有监督学习之--回归
- 机器学习PartII:监督学习和无监督学习
- 斯坦福大学公开课 :机器学习课程(Andrew Ng)——2、监督学习:Regression and Classification
- 机器学习有监督学习之--回归
- 斯坦福大学公开课 :机器学习课程(Andrew Ng)——11、无监督学习:the derivation of EM Algorithm
- 斯坦福大学公开课 :机器学习课程(Andrew Ng)——6、监督学习:Support Vector Machine,破
- 机器学习之监督学习基础
- 机器学习之监督学习
- 斯坦福大学公开课 :机器学习课程(Andrew Ng)——4、监督学习:Naive Bayes
- 斯坦福大学公开课 :机器学习课程(Andrew Ng)——14、无监督学习:Independent Component Analysis(ICA)
- Stanford机器学习[第二课]-监督学习应用和梯度下降